已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Biomedical named entity recognition based on fusion multi-features embedding

计算机科学 文字嵌入 嵌入 人工智能 代表(政治) 依赖关系(UML) 特征(语言学) 词(群论) 领域(数学分析) 自然语言处理 鉴定(生物学) 命名实体识别 模式识别(心理学) 情报检索 数学 任务(项目管理) 管理 法学 几何学 经济 哲学 数学分析 政治 生物 植物 语言学 政治学
作者
Meijing Li,Hao Yang,Yuxin Liu
出处
期刊:Technology and Health Care [IOS Press]
卷期号:31: 111-121
标识
DOI:10.3233/thc-236011
摘要

BACKGROUND: With the exponential increase in the volume of biomedical literature, text mining tasks are becoming increasingly important in the medical domain. Named entities are the primary identification tasks in text mining, prerequisites and critical parts for building medical domain knowledge graphs, medical question and answer systems, medical text classification. OBJECTIVE: The study goal is to recognize biomedical entities effectively by fusing multi-feature embedding. Multiple features provide more comprehensive information so that better predictions can be obtained. METHODS: Firstly, three different kinds of features are generated, including deep contextual word-level features, local char-level features, and part-of-speech features at the word representation layer. The word representation vectors are inputs into BiLSTM as features to obtain the dependency information. Finally, the CRF algorithm is used to learn the features of the state sequences to obtain the global optimal tagging sequences. RESULTS: The experimental results showed that the model outperformed other state-of-the-art methods for all-around performance in six datasets among eight of four biomedical entity types. CONCLUSION: The proposed method has a positive effect on the prediction results. It comprehensively considers the relevant factors of named entity recognition because the semantic information is enhanced by fusing multi-features embedding.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Chris完成签到 ,获得积分0
3秒前
jyy应助Maqian采纳,获得10
7秒前
明亮的冰香完成签到 ,获得积分10
10秒前
冲鸭完成签到,获得积分10
10秒前
yyyy发布了新的文献求助10
12秒前
12秒前
顺利山柏完成签到 ,获得积分10
13秒前
FashionBoy应助RR采纳,获得10
13秒前
3080完成签到 ,获得积分10
14秒前
15秒前
hyl-tcm发布了新的文献求助10
18秒前
江竹兰完成签到,获得积分10
18秒前
花花521完成签到,获得积分10
19秒前
蟹治猿完成签到 ,获得积分10
19秒前
王老裂完成签到,获得积分10
20秒前
21秒前
北方木棉完成签到 ,获得积分10
23秒前
24秒前
25秒前
皮咻完成签到,获得积分10
25秒前
adam完成签到 ,获得积分10
26秒前
完美世界应助畅快的枫采纳,获得10
27秒前
爆米花应助yyyy采纳,获得10
27秒前
牛奶面包完成签到,获得积分10
27秒前
28秒前
小不胖鼠发布了新的文献求助10
28秒前
小久小力发布了新的文献求助10
30秒前
大个应助牛奶面包采纳,获得10
31秒前
Hello应助小不胖鼠采纳,获得10
32秒前
高高的坤完成签到 ,获得积分10
32秒前
37秒前
77完成签到 ,获得积分10
37秒前
糟糕的金针菇完成签到 ,获得积分10
39秒前
畅快的枫发布了新的文献求助10
42秒前
乐乐应助乐观的阿这采纳,获得10
42秒前
46秒前
fang完成签到,获得积分10
47秒前
49秒前
RR发布了新的文献求助10
50秒前
fengyuke发布了新的文献求助10
51秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 890
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256777
求助须知:如何正确求助?哪些是违规求助? 2898945
关于积分的说明 8303121
捐赠科研通 2568188
什么是DOI,文献DOI怎么找? 1394887
科研通“疑难数据库(出版商)”最低求助积分说明 652924
邀请新用户注册赠送积分活动 630631